研究显示：机器学习可用于快速分析关键电容器

【PConline 资讯】乔治亚理工学院（Geia Institute of Technology）的一组研究人员相信，通过机器学习，他们将能够制造出性能更好的电容器。这个过程包括教计算机在原子水平上分析构成电容器的两种材料:铝和聚乙烯。

研究人员专注于寻找一种更快速分析这些材料电子结构的方法，寻找可能影响性能的特征。乔治亚理工学院的Rampi Ramprasad教授表示称“电子工业想要知道他们用来生产设备的所有材料的电子特性和结构，包括电容器。以聚乙烯为例，它是一种很好的绝缘体，带隙很大——能量范围是电荷载体所不能达到的。但如果它有缺陷，多余的载流子就会被允许进入带隙，从而降低效率。”

Ramprasad教授表示，“为了了解缺陷在哪里及它们在其中扮演的角色，我们需要计算整个原子结构，这是迄今为止极其困难的事情。目前使用量子力学分析这些材料的方法速度太慢，限制了在任何给定时间进行分析的能力。”

Ramprasad教授和他的同事专门研究如何利用机器学习来帮助开发新材料，他们利用铝和聚乙烯的量子力学分析产生的数据样本作为输入教一台功能强大的计算机如何模拟这种分析。

用量子力学分析材料的电子结构涉及到求解密度泛函理论的Kohn-Sham方程，该方程生成关于波函数和能量级的数据，然后用这些数据来计算系统的总势能和原子力。使用这种新的机器学习方法会得到相同的结果且比使用基于量子力学的传统方法快8个数量级。

Ramprasad教授解释称，“这种前所未有的计算能力的加速将使我们能够设计出比现有材料更好的电子材料。基本上，我们可以说，‘这种材料存在缺陷，将真正降低其电子结构的效率。’一旦我们能够有效地解决这些问题，我们就能更好地设计电子设备。 ”

Ramprasad 教授认为，虽然这项研究的重点是铝和聚乙烯，但机器学习可以用来分析广泛材料的电子结构。除了分析电子结构，现在量子力学分析的材料结构的其他方面也可以通过机器学习方法来加速。，他还补充说，“我们选择铝和聚乙烯的部分原因是它们是电容器的组成部分，但这也让我们能够证明，这种方法可以用于迥然不同的材料，比如导体金属和绝缘体聚合物。”

机器学习方法所允许的更快的处理速度也将使研究人员能够更快地模拟材料的修改将如何影响其电子结构，这可能揭示提高其效率的新方法。

【via:Neelectronics】【PConline 编译: Tina】